结合随机投影与相位对齐的 EEG 时间序列向量量化预训练

基于摘要分析。本文针对 EEG 时间序列的自监督表示学习，提出 BERT 风格的 VQ-MTM（Vector Quantization Masked Time-Series Modeling），通过随机投影量化与相位对齐，为受扰动且具有周期性的时间序列构造离散语义单元，用于掩码建模预训练。 核心机制包含两个模块：一是作者称具有理论依据的随机投影量化模块，二是由傅里叶变换的时间—相位移等变性指导的相位对齐模块。作者将生成的单元类比为自然语言中的词，意在为 EEG 自监督学习提供稳健且一致的学习信号。摘要未给出量化映射、相位对齐操作、掩码策略及损失函数的具体形式，尚不能判断其如何处理不同类型的信号扰动，以及这些离散单元与下游任务语义之间的关系。 作者报告，在五个真实世界数据集上开展实验，其中包含两个大规模数据集，并在癫痫发作检测和分类任务上持续大幅优于已有方法。摘要未提供数据集名称、被试数量、被试内或跨被试划分、对照方法、具体指标与数值，因此不能量化优势，也不能据此推断其在其他 BCI 任务上的效果。实验协议、消融及统计信息尚未验证。 作者还称模型复杂度较低、易于适配大规模数据，但具体参数量、计算开销及规模扩展结果尚未验证。材料提供了代码仓库，具备进一步核对实现的入口，但代码完整性、预训练配置及数据处理流程尚未核验。复现时应重点核对随机投影量化与相位对齐的各自贡献、预训练与下游评估的数据划分，以及性能提升是否依赖特定数据规模或任务设置。